[发明专利]基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统

权利要求书

1.一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，包括：

样本预处理模块：提取范围为[A,B]的HU值，然后归一化到[0,1]；

样本生成模块：采用滑动窗口的方法得到样本，然后采用训练样本平衡法对样本进行训练；

网络训练模块：将样本输入到网络中进行训练；

识别模块：采用由粗到细的分割策略，获得分割结果；

样本预处理模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与样本生成模块的输入端相连，样本生成模块的输出端与网络训练模块的输入端相连，网络训练模块的输出端与识别模块的输入端相连。

2.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述样本生成模块中的采用滑动窗口的方法包括：

将目标调整到样本的不同位置，同时在目标区域降低采样距离。

3.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述样本生成模块中的采用训练样本平衡法包括：

S-1，第一轮的训练样本采用全部的正样本进行网络的优化，之后的轮次随机选择一部分负样本和全部的正样本进行组合作为训练集，其中正样本与负样本的之比为1:1；

S-2，随机生成patch进行网络的优化。

4.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述网络训练模块中的网络包括：

分割网络采用Encoder-Decoder模式，包括Encoder模块和Decoder模块，其中Encoder模块采用可分离卷积和传统卷积块的堆叠进行特征提取，利用步长为2的最大池化操作降低特征的空间分辨率；Decoder模块利用转置卷积将Encoder模块提取的特征图谱恢复到原始图像大小，并对图像中的每一个像素进行分类。

5.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述网络训练模块的损失函数为：

表示主损失函数；

表示第一辅助损失函数；

表示第二辅助损失函数；

β₁表示第一权重；

β₂表示第二权重；

y表示标注的标签；

表示网络最后一层的输出；

表示网络倒数第二层的输出；

表示网络倒数第三层的输出；

所述损失函数为Dice系数函数。

6.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述网络训练模块还包括：

训练过程中根据以下公式逐渐降低学习速率：

其中，lr表示学习速率；

lr_initial表示初始学习速率；

iterations表示迭代次数；

totaliterations表示总的迭代次数。

7.根据权利要求1所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述由粗到细的分割策略包括：

在粗分割阶段，利用通道和输入的3Dpatch大小不同的模型对目标进行分割，完成目标的粗定位；

然后将不同模型的分割结果进行融合得到粗分割结果，利用粗分割结果获取目标区域，再对目标区域计算最大包围框，把包围框内的图像剪切出来，最后对剪切的图像进行精细分割。

8.根据权利要求7所述的一种基于轻量化3D卷积神经网络的颅内动脉瘤自动分割系统，其特征在于，所述精细分割包括：

通过Dice系数评价标准选择粗分割中效果最好的网络作为精细分割的模型。